基于頻繁項集的文本聚類方法研究.pdf

1、文本是一種重要的信息載體，其數量隨著互聯網的不斷發(fā)展極速膨脹。文本聚類作為一種無監(jiān)督的機器學習方法，已成為對文本信息進行有效的組織、摘要和導航的重要手段，為越來越多的科研工作者所關注。在很多文本挖掘和信息檢索系統(tǒng)中，文本聚類發(fā)揮著越來越重要的作用。 論文研究如何改進與中文文本聚類相關的若干處理過程來得到一個好的聚類結果。文本聚類相關的處理過程主要包括文本預處理、特征項選擇、文本表示和聚類，它們對聚類質量起至關重要的作用。傳統(tǒng)的文

2、本聚類算法基于向量空間模型（VSM），該模型使用關鍵詞作為特征項，忽略了詞語間的潛在語義關系，其固有的“高維詛咒”問題成為了算法性能提升的瓶頸，這些問題極大地干擾了算法的效率。論文引入知網作為算法的背景知識庫，通過將文本中的關鍵詞映射為知網中的概念，使算法在概念集上進行，來彌補VSM存在的語義缺失問題。為提高算法性能，引入頻繁項集和非重疊度的概念，使用一種新的文本集劃分策略實現對原始文本集的劃分。在此基礎上，論文提出了一種基于頻繁項集的